ADOM LA GOUVERNANCE DES DONNEES DANS LES MUTUELLES
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Introduction Données et dirigeants Dirigeants de mutuelle, pourquoi les données sont-elles importantes pour vous ? 2 Valmen Consulting
Parce que … c’est obligatoire ! La contrainte réglementaire Solvabilité II ▪ Le RGPD impose de mettre en place une politique de protection des données personnelles, un registre des traitements, de nommer un DPO. 3 Valmen Consulting
SOMMAIRE 1. Partie 1 CAS PRATIQUE n°1 : les agences de Gan Assurances 2. Partie 2 3. Partie 3 4. Partie 4 5. Partie 5 6. Partie 6 4 Valmen Consulting
Décision stratégique Groupama SA : fermer les petites agences ou les pousser à se regrouper pour que la commission moyenne atteigne la moyenne du marché Valmen Consulting
1er temps : s’interroger sur l’origine des données Comprendre qui fait quoi et pourquoi ▪ 1.1. Qui fait quoi ? La communication reçoit la demande de l’Argus de l’Assurance et : - demande à la comptabilité le montant des commissions de l’exercice précédent - lit dans le tableau de bord mensuel le nombre d’agences - calcule la commission moyenne ▪ 1.2. D’où vient la donnée essentielle : le nombre d’agences ? - Le marketing réseau qui analyse l’implantation des points de vente suit le nombre de points de vente. - Le juridique agents qui gère les mandats des agents suit le nombre de mandats. - La formation qui gère les formations initiales des nouveaux agents suit le nombre d’agents. - L’informatique agences qui gère les codes portefeuilles historiques suit le nombre de codes portefeuilles et produit les tableaux de bord mensuels avec cette donnée. Personne ne suit les agences … que personne ne définit de la même façon ! Chacun gère les données qui le concerne, sans connaître les conséquences sur le reste de l’environnement. 6 Valmen Consulting
2ème temps : Définir une politique des données Dictionnaire des données ▪ 2.1. Définir précisément avec l’ensemble des parties prenantes : - Le vocabulaire exact et la donnée utilisée par chacun : point de vente, mandat, agent, code portefeuille - la donnée manquante : agence, en créant une définition partagée par tous / imposée à tous - Une agence est une entité économique qui peut avoir un ou plusieurs agents, un ou plusieurs points de vente, et regrouper un ou plusieurs portefeuilles historiques de clients. ▪ 2.2. Collecter la donnée manquante : compter les agences selon cette définition. ▪ 2.3. Définir quelles données diffuser, à qui et pour quel usage : - Créer un tableau de bord mensuel avec agences / agents / points de vente - Interdire la diffusion du tableau de bord avec les codes portefeuille qui n’intéresse personne en-dehors du producteur de la donnée, pour éviter toute confusion. 7 Valmen Consulting
3ème temps : Décider la stratégie avec des données justes Repartir dans le bon sens et faire durer ▪ 3.1. Communication : Faire publier un rectificatif dans l’Argus de l’assurance ▪ 3.2. Fournir la donnée juste au décideur : - Expliquer la réalité des chiffres - Reconstituer la chronique historique de la donnée - Fournir chaque trimestre au conseil d’administration la dernière valeur du tableau de bord mensuel, ce qui contribue à son appropriation, notamment en interne, et assure le suivi de la décision pour créer l’habitude. - La stratégie a été définie cette fois avec les bonnes données ! ▪ 3.3. Un point positif : ce travail a permis de s’apercevoir : - qu’en 10 ans le Gan avait perdu 100 agences, ce dont personne n’avait pris conscience - de mettre en œuvre un plan d’actions pour arrêter l’hémorragie et inverser la tendance 8 Valmen Consulting
SOMMAIRE 1. Partie 1 2. Partie 2 CAS PRATIQUE n°2 : AG2R La Mondiale 3. Partie 3 4. Partie 4 5. Partie 5 6. Partie 6 9 Valmen Consulting
Industrialisation de SI La gouvernance de la donnée : un enjeu opérationnel • Murielle MELOT • Directeur du Pilotage Opérationnel Transverse Santé Prévoyance Industrialisation du SI 1. Rationnaliser nos back-offices, 2. Automatiser, dématérialiser et simplifier nos processus, 3. Transformer les contraintes réglementaires en opportunités, 4. Maitriser nos engagements techniques. 10 Valmen Consulting
Rationalisation des SI : pouvoir disposer d‘une métrique commune Chacun a raison et tout le monde a tort ▪ 1.1. Comparer les coûts des projets de migrations - La notion de Personnes Physiques : - Un exemple : l’addition des PP sur l’ensemble des SI vs la population active nationale • Que compte-t-on? Que doit-on compter ? Comment-on compter? ▪ 1.2. Comment modéliser les données « communes » - Chaque SI possède ses prérogatives/règles - Identifier le concept commun de donnée PP et ses traitements dans les outils - Trouver les compétences pour modéliser l’ensemble 1 1 11 Valmen Consulting
Modéliser les données : un enjeu d’entreprise La modélisation : un impératif pour comprendre la donnée ▪ 1.1. Distinguer l’identifiant et les attributs de la donnée - Une PP : un identifiant NIR Qualité de la métrique - Un référentiel : flux DSN Norme réglementaire, unicité de la source - Un dictionnaire de données : les rôles; le lignage de la donnée ; responsabilisation ▪ 1.2. Mettre en place un modèle Modèle Métiers d’Entreprise (MME) - Le mythe du Datalake et le risque du Dataswamps - La gouvernance de la donnée - La modélisation au service de l’efficacité 12 Valmen Consulting
Un usage pilote : construire ensemble ▪ Il est illusoire de penser que l’on peut exploiter les données brutes sans retravailler le modèle. ▪ Il faut s’assurer de la formalisation des processus utilisant la donnée. ▪ La gouvernance de la donnée est au cœur de l’efficacité : elle doit être régalienne et facilitante. ▪ Le rôle du référent data : faire le lien entre l’opérationnel et la gouvernance. ▪ Il faut gérer le paradoxe du Big data et de la patience. 13 Valmen Consulting
SOMMAIRE 1. Partie 1 2. Partie 2 3. Partie 3 CAS PRATIQUE n°3 : ALMERYS 4. Partie 4 5. Partie 5 6. Partie 6 14 Valmen Consulting
Accumulation de données, protection des données, digitalisation: be|almerys face à de nouveaux défis De nouvelles problématiques et de nouveaux besoins émergent… ▪ Almerys créée en 2000 : gestion des prestations ▪ Protéger ses données correctement et rétablir santé et des prestations d’assurances de la une relation de confiance : 80% des français personne: Santé de Traitement – Prévoyance flux (à base de règles) craignent données Analyse que leurs en données massesoient (data volées ou science) ▪ Almerys, concentrateur de données détournées ▪ +20 millions Temps réel bénéficiant de de personnes ▪ Maîtriser sesTemps données réelet et les valoriser : 2,5 batch solutions be|almerys, 14 millions de cartes trillions de données sont générées chaque jour ▪ 150 acteurs en complémentaire santé , Assureurs, ▪ Faciliter l’accès aux données : le trop plein de Centré métier Institutions de Prévoyance, Mutuelles, Courtiers, données et leurCentré mauvaiseindividu gestion rendent l’accès Délégataires de gestion aux données difficile et laborieux Données silotées ▪ 256 500 professionnels de santé ▪ Innover pour Données mieux intégrées performer et rester ▪ +9 milliards d’euros de prestations santé compétitif : valoriséesArchitecture en 2018 fermée - OCDE 2017, les dépensesouverte Architecture de R&D ont augmenté de 3.8% ▪ Traitement de flux - En France, les 250 plus grandes entreprises ▪ Pas d’accumulation / valorisation des données Pre-RGPD réalisent 61 % de Post-RGPD cette dépense et les entreprises ▪ SI propriétaire, type legacy, centré métier de taille intermédiaire (ETI) 24 % ▪ Données silotées, difficile d’accès - Nette hausse comparativement à avant 2016 15 Valmen Consulting
Innover, réformer, aller vers les deeptechs pour assurer performance, confiance et efficacité en temps réel Différentes technologies et techniques vous sont proposée afin de répondre au mieux à vos besoins … ▪ Assurer la protection des individus par la mise en conformité des données : respect du RGPD, anonymisation, pseudonymisation, minimisation sans altération des données ▪ Permettre un traitement massif des données ainsi que leur valorisation : grâce à une accélération du processus de traitement et une capitalisation des travaux de recherches et d’innovation sur un socle d’accélération ▪ Instaurer une véritable gouvernance des données : aider au contrôle des données, chats quotidiens avec des experts afin de faciliter les développements ▪ Augmenter sa capacité d’innovation : grâce aux deeptechs (IA, Blockchain, Big Data) gagner en vitesse, en performance et en liberté d’action et réduire les coûts associés à cet investissement ▪ Grâce aux « deeptechs », rétablir la confiance entre les acteurs de la chaîne : traçabilité des données, transparence de bout en bout 16 Valmen Consulting
Une solution efficace et hors-norme: le RedLab, une stratégie et un environnement de développement propice à la performance… Transformation numérique Exploration et valorisation des données Gouvernance des données Mise en conformité • Un socle d’accélération facilitant l’industrialisation des applications • Des technologies à l’état de l’art , les deeptechs (big data, blockchain, IA) • Une stratégie de recherche à base d’open innovation et co-création • Des équipes d’experts en science des données, IA et cryptographie • Une démarche intraprenariale avec de grandes écoles • Une recherche d’excellence, reconnue internationalement 17 Valmen Consulting
Système d’Information Conformité Plateforme réglementaire Technologique Privacy-by-default Blockchain Autodétermination Deep learning Informationnelle Big data Privacy-by-design Smart center Security-by-design Brevet « General Data Protection Method » EP 17 305 622.7 Valmen Consulting
Un outil performant dans la lutte contre la fraude… Quelques chiffres clés sur la fraude… Assurance maladie, sécurité sociale (2016) Optique ▪ 245 millions de fraude détecté Dentaire ▪ 79 % de la fraude vient des professionnels de santé Pharmacie ▪ En augmentation de +17% en un an Hospitalisation ▪ Chaque année, les systèmes de détections de fraude s’améliorent mais… Transports …. Chaque année les fraudeurs redoublent d’inventivité pour contourner les mécanismes de détections ! 19 Valmen Consulting
Un outil performant dans la lutte contre la fraude… RedLab, apport de l’IA et du big data L’intelligence artificielle au secours de la lutte contre la fraude Clustering ▪ Apprentissage autonome, adaptatif et en temps réel de nouvelles règles de détection de fraude Machine learning ▪ Découverte de patterns (modèles/techniques de fraudes) dont les Deep learning contrôleurs ignoraient l’existence Réseau de neurones ▪ Capacité de généralisation des règles ou, à l’inverse, d’individualisation et de déclinaisons des seuils de détections,… Big data - En fonction de spécificités multifactorielles (période de l’année, zone géographique, réseaux tarifaires, type de Studys-IA contrat de RC…) 20 Valmen Consulting
Exemples de cas concrets détectés grâce à l’IA Uniquement sur le domaine optique, portefeuille de 340 000 PP sur 1 mois : ❑ Solution traditionnelle : 423 PEC qualifiées ✓ Détection sur règles métier ✓ Coût de la fraude (montant RC) : 126’000 € ✓ Taux de détection : 3 à 5% Par Clustering (regroupements ❑ Studys-IA : 539 PEC qualifiées homogènes) ✓ Détection par apprentissage • Profilage de PS (ex. opticien vendant nettement plus de lentilles que son ✓ Coût de la fraude (montant RC) : 255’808 € groupe de pairs) ✓ Taux de détection : 6à7% • Analyse contextuelle (ex. toute la ▪ Optimisation tarifaire en fonction du contrat de remboursement (abus) famille se refait faire des lunettes dans ▪ Coût de la fraude (montant RC) : 770 PEC qualifiées un laps de temps court) 122’750 € • Anomalies (ex. PEC répétitives pour un même assuré, le tout dans des régions ✓ Objectif 2024 : > 10% pour > 10 M€ RC différentes) • Saisonnalité (ex. DR pour des lunettes enfant en été – fausse facture pour des lunettes solaires) Par apprentissage (non-supervisé) Valmen Consulting
Autres apports IA & Big data ❑ Actuaire « augmenté » ✓ Environnement de consultation pour pilotage et reporting au quotidien (populations, contrats, cotisations, prestations etc), ✓ Valorisation des données : élargir la gamme de services proposés aux adhérents. Prévention des risques et usages d'objets connectés, ✓ Adaptation de l’offre : benchmarking et conception de l’offre en fonction des tendances de marchés telles que les médecines douces etc (identification des besoins clients, étude et maitrise des risques), ✓ Détection de fraude : détecter les populations à risques, assurer leur suivi et détecter les potentielles fraudes en croisant les bases de données avec celles d’organismes extérieurs, ✓ Conseil : calage DDA, devoir de conseil en corrélation avec les données externes. Orientation des formulaires de conseil/KYC en fonction des tendances identifiées dans les données, ✓ Solutionner le problème du gel des avoirs : rapprochement des listes de personnes fichées à risques et croisement avec base d’adhérents. Valmen Consulting
SOMMAIRE 1. Partie 1 2. Partie 2 3. Partie 3 4. Partie 4 Les enseignements des cas présentés 5. Partie 5 6. Partie 6 23 Valmen Consulting
Pour… se différencier ! Les nombreuses raisons d’améliorer la gouvernance des données • Différenciation (services) Exploitation du • Optimisation des coûts (fraude, RCT) potentiel • Prédictif, big data… • Suivi d’activité Pilotage d’activité • Prise de décisions • Perte de temps Problème de non • Problèmes de qualité maîtrise des données • Difficultés comptables • ACPR (Solva 2…) Règlementaire • CNIL (RGPD) 24 Valmen Consulting
Synthèse des cas présentés Que faut-il retenir ? • De simples questions de définition peuvent générer des problèmes complexes Définition de la donnée • Une même donnée peut avoir plusieurs définitions • Bien définir les données clefs est un préalable incontournable • On ne peut maîtriser et exploiter que les données que l’on détient Détention de la donnée • La structuration de la base de données dépend de l’usage que l’on souhaite en faire • Les données doivent toujours être re-travaillées pour pouvoir être exploitées • Les processus permettent de fiabiliser les données et de systématiser leur traitement Qualité de la donnée • La qualité de la donnée est la base de la qualité de l’analyse • Les projets sur les données doivent mixer 2 types de compétences : Mix de compétences • La conceptualisation • La mise en œuvre opérationnelle • Pas de données de qualité sans évolution de la culture de fond de l’entreprise Culture de la donnée • La culture de la donnée permet de donner du sens à la rigueur demandée à chacun (fameux ex du « 999 ») et permet de comprendre le métier de l’autre 25 Valmen Consulting
Synthèse des cas présentés Quelles sont les meilleures pratiques ? • Un objectif initial trop Un objectif ambitieux entraîne des précis et projets à effet tunnel circonscrit Projet • Le mix des compétences est Mix de maîtrise incontournable pour éviter compétences les projets « fumeux » ou à de conceptuelles données l’inverse, les projets mal et opération- conçus nelles 3 données maximum • Importance de traiter les données de bout en bout • Certaines données sont structurantes 26 Valmen Consulting
Synthèse des cas présentés Quels sont les points cardinaux ? Tendre vers un • Limite les erreurs référentiel unique • Facilite les définitions • Augmente le potentiel d’exploitation des données Faire évoluer la Concevoir des culture de schémas directeurs l’entreprise autour de la donnée • Indispensable pour assurer la qualité des données • Impératif règlementaire • Trop grande complexité Adopter la à aborder tous les fronts méthode des simultanément petits pas 27 Valmen Consulting
Synthèse des cas présentés La check-list d’un projet sur la gouvernance des données Le projet respecte-t-il les points suivants ? Le projet poursuit-il ces objectifs ? 28 Valmen Consulting
Nous contacter Hugues CHAMBA Philippe DELERIVE Associé Directeur Général hchamba@valmenconsulting.fr p.delerive@aprecialis.fr 06 86 65 83 33 01 49 04 02 20 29 Valmen Consulting
Vous pouvez aussi lire